入侵检测数据分类模型PCANN

论文摘要

在现代计算机系统中,网络安全是一个十分重要的问题。随着网络技术的发展和普及,入侵的行为也表现出不确定性、复杂性和多样性等特点,传统的入侵检测方法的缺陷越来越明显,为了提高入侵检测系统检测的准确性以及检测效率,一些研究者将目光转向了神经网络并做出了一些相关研究。本论文在追踪了国内外入侵检测方面的最新学术和应用成果,分析了现有基于神经网络的入侵检测模型在实际应用方面,如：网络规模的剧增、其训练时间、精度、收敛性和泛化能力等方面存在一些不足。主成分分析法研究用少数几个主成分,尽可能多地保留了原始变量,用精简的数据作为神经网络的输入量,减少了神经网络的输入节点数,简化网络规模和复杂性,减少训练时间,提高神经网络的准确率、收敛性和稳定性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 入侵检测研究现状
• 1.3 国内研究情况和进展
• 1.4 研究出发点和目标
• 1.5 论文结构
• 第2章 入侵检测技术
• 2.1 入侵检测概述
• 2.1.1 入侵检测定义
• 2.1.2 入侵检测系统构成
• 2.2 入侵检测系统分类
• 2.3 入侵检测中的检测方法
• 2.4 入侵检测技术的改进
• 2.5 入侵检测的发展趋势
• 2.6 小结
• 第3章 神经网络和主成分
• 3.1 神经网络概述
• 3.2 神经网络在入侵检测中的应用
• 3.2.1 神经网络作为新型的智能技术,具有如下优点
• 3.2.2 将神经网络引入入侵检测的原因
• 3.2.3 神经网络应用于入侵检测的优势
• 3.2.4 基于神经网络的入侵检测研究现状
• 3.2.5 神经网络应用于入侵检测系统中存在的问题
• 3.3 主分成分析原理
• 3.3.1 主成分概述
• 3.3.2 主成分基本思想
• 3.3.3 主成分计算步骤
• 3.4 TCP/IP协议结构
• 3.5 小结
• 第4章 PCANN模型
• 4.1 模型设计
• 4.1.1 引入主成分的原因
• 4.2 实验数据源
• 4.2.1 实验数据简介以及属性划分
• 4.2.2 划分类空间的原因
• 4.2.3 划分类空间考虑的问题
• 4.3 神经网络分类器
• 4.4 实验结果及其分析
• 4.5 小结
• 第5章 结束语
• 参考文献
• 攻读硕士学位期间发表论文情况
• 致谢